原文链接:http:///?p=18149无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了,那么近年来引发人工智能和深度学习热潮的原因是什么呢?答案部分在于摩尔定律以及硬件和计算能力的显著提高。我们现在可以事半功倍。顾名思义,神经网络的概念是受我们自己大脑神经元网络的启发。神经元是非常长的细胞,每个细胞都有称为树突的突起,分别从周围的神经元接收和传播电化学信号。结果,我们的脑细胞形成了灵活强大的通信网络,这种类似于装配线的分配过程支持复杂的认知能力,例如音乐播放和绘画。 视频:CNN(卷积神经网络)模型以及R语言实现 神经网络结构神经网络通常包含一个输入层,一个或多个隐藏层以及一个输出层。输入层由p个预测变量或输入单位/节点组成。不用说,通常最好将变量标准化。这些输入单元可以连接到第一隐藏层中的一个或多个隐藏单元。与上一层完全连接的隐藏层称为密集层。在图中,两个隐藏层都是密集的。 输出层的计算预测输出层计算预测,其中的单元数由具体的问题确定。通常,二分类问题需要一个输出单元,而具有k个类别的多类问题将需要 k个对应的输出单元。前者可以简单地使用S形函数直接计算概率,而后者通常需要softmax变换,从而将所有k个输出单元中的所有值加起来为1,因此可以将其视为概率。无需进行分类预测。 权重图中显示的每个箭头都会传递与权重关联的输入。每个权重本质上是许多系数估计之一,该系数估计有助于在相应箭头指向的节点中计算出回归。这些是未知参数,必须使用优化过程由模型进行调整,以使损失函数最小化。训练之前,所有权重均使用随机值初始化。 优化和损失函数训练之前,我们需要做好两件事一是拟合优度的度量,用于比较所有训练观测值的预测和已知标签;二是计算梯度下降的优化方法,实质上是同时调整所有权重估计值,以提高拟合优度的方向。对于每种方法,我们分别具有损失函数和优化器。损失函数有很多类型,所有目的都是为了量化预测误差,例如使用交叉熵。流行的随机优化方法如Adam。 卷积神经网络卷积神经网络是一种特殊类型的神经网络,可以很好地用于图像处理,并以上述原理为框架。名称中的“卷积”归因于通过滤镜处理的图像中像素的正方形方块。结果,该模型可以在数学上捕获关键的视觉提示。例如,鸟的喙可以在动物中高度区分鸟。在下面描述的示例中,卷积神经网络可能会沿着一系列涉及卷积,池化和扁平化的变换链处理喙状结构,最后,会看到相关的神经元被激活,理想情况下会预测鸟的概率是竞争类中最大的。
R语言实现当我们将CNN(卷积神经网络)模型用于训练多维类型的数据(例如图像)时,它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ,在本视频中,我们在R中实现相同的方法。
我们从加载本教程所需的库开始。
library(keras) library(caret) 准备 数据在本教程中,我们将波士顿住房数据集用作目标回归数据。首先,我们将加载数据集并将其分为训练和测试集。
set.seed(123) boston = MASS::Boston indexes = createDataPartition(boston$medv, p = .85, list = F)
train = boston[indexes,] test = boston[-indexes,] 接下来,我们将训练数据和测试数据的x输入和y输出部分分开,并将它们转换为矩阵类型。您可能知道,“ medv”是波士顿住房数据集中的y数据输出,它是其中的最后一列。其余列是x输入数据。
dim(xtrain) [1] 432 13
dim(ytrain) [1] 432 1
接下来,我们将通过添加另一维度来重新定义x输入数据的形状。
dim(xtrain) [1] 432 13 1
dim(xtest) [1] 74 13 1 在这里,我们可以提取keras模型的输入维。
print(in_dim) [1] 13 1 定义和拟合模型 我们定义Keras模型,添加一维卷积层。输入形状变为上面定义的(13,1)。我们添加Flatten和Dense层,并使用“ Adam”优化器对其进行编译。
model %>% summary() ________________________________________________________________________ Layer (type) Output Shape Param # ======================================================================== conv1d_2 (Conv1D) (None, 12, 64) 192 ________________________________________________________________________ flatten_2 (Flatten) (None, 768) 0 ________________________________________________________________________ dense_3 (Dense) (None, 32) 24608 ________________________________________________________________________ dense_4 (Dense) (None, 1) 33 ======================================================================== Total params: 24,833 Trainable params: 24,833 Non-trainable params: 0 ________________________________________________________________________
接下来,我们将使用训练数据对模型进行拟合。
print(scores) loss 24.20518
现在,我们可以使用训练的模型来预测测试数据。 predict(xtest) 我们将通过RMSE指标检查预测的准确性。
cat("RMSE:", RMSE(ytest, ypred)) RMSE: 4.935908 最后,我们将在图表中可视化结果检查误差。
x_axes = seq(1:length(ypred))
lines(x_axes, ypred, col = "red", type = "l", lwd = 2) legend("topl 在本教程中,我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。 最受欢迎的见解 |
|